辅助迭代局部分割的策略：优化模态和位置选择以实现前列腺癌定位.pdfVIP

辅助迭代局部分割的策略：优化模态和位置选择以实

现前列腺癌定位

XiangcenWu,ShaheerU.Saeed,YipeiWang,EsterBonmati

Coll,andYipengHu

DepartmentofMedicalPhysicsandBiomedicalEngineering,UniversityCollege

London,London,UK

UCLHawkesInstitute,UniversityCollegeLondon,London,UK

SchoolofComputerScienceandEngineering,UniversityofWestminster,London,

本UK

译xiangcen.wu.21@ucl.ac.uk

中

1

v摘要放射科医生经常混合使用医学影像阅读策略，包括检查单独的成像方

3

5式和局部图像区域，独立地以及同时使用来自不同图像的不同位置的信息。

9在本文中，我们提出一个推荐系统来辅助基于机器学习的分割模型，通过

3

0建议适当的图像部分以及最佳的成像方式，使得前列腺癌分割性能最大化。

.

8我们的方法训练了一个策略网络，通过推荐最优的成像模式和具体的感兴

0趣区域来帮助肿瘤定位。

5

2在训练过程中，预先训练好的分割网络模仿放射科医生单独或以可变组合

:检查这些影像学模态及其部分——由策略网络选择。

v

i

x将局部分割的区域作为下一步输入，这种动态决策过程迭代直至所有癌症

r被最佳地定位。

a

我们使用一组来自前列腺癌患者的1325张标记过的多参数MRI图像数据

集来验证我们的方法，展示了其提高注释效率和分割精度的潜力，尤其是

在存在挑战性病理时更为明显。

实验结果表明，我们的方法可以超越标准的分割网络。

或许更有趣的是，训练出的代理独立发展出了自己的最优策略，这可能与

当前放射科医生指南如PI-RADS一致或不一致。

这一观察也暗示了一个有前景的交互式应用，在其中提出的政策网络辅助

人类放射科医生。

代码是开源的，并可在这里获取。

Keywords:前列腺癌·强化学习·图像分割。

2XiangcenWuetal.

1介绍

前列腺癌中肿瘤的准确注释在靶向活检[14,1,8,12]、局灶治疗[2,17]和

新兴MRI导向放射治疗[9]中起着关键作用。高质量的注释有助于制定治

疗计划，监测疾病进展，并训练深度学习模型以实现自动检测[3,11]。然而，

这一过程对放射科医生来说既耗时又费力。他们必须从多个方面分析多参数